近些年来,随着移动通信网络的不断升级和互联网功能和应用场景的不断发展,手机、平板电脑等智能移动终端不断普及,人们对智能化的应用,尤其是关于模式识别领域的应用需求量不断提高。如何将机器学习的相关研究成果与移动互联网有机结合是一项重要的课题。水资源是一项涉及到本国居民生活以及植被绿化的基本资源,节约用水是对个人、企业乃至社会的基本要求,但在过去的很长一段时间里水务公司采用的非智能化抄表方式浪费了大量的人工成本,智能抄表系统的开发毫无疑问是水务公司在未来最重要的发展要点之一。利用近年来在机器学习领域不断发展的深度学习技术,本文将深度学习的相关技术应用到了传统的水务公司抄表业务中,设计了一套基于iOS系统的自动抄表应用。本文主要做了以下工作:1、本文采集并构建了一个面向实际应用场景的水表检测数据集,包含有28993张水表图像,覆盖不同光照条件、裂纹干扰、模糊、倾斜、水溅、雾气、阴影等应用场景的技术挑战,具有较大的学术研究价值。所有图片均使用任意四边形的标注方法对图片中水表读数位置进行标注。2、传统的通用目标检测模型大部分都无法直接用来进行有旋转角度的水表读数检测,针对多方向水表读数实时检测问题,提出了多方向矩形包围盒分解网络(Rect BDN)、以及多方向矩形YOLO(ROYOLO)两种新的水表检测模型,较好的解决了水表读数的多方向检测问题。3、本文基于iOS平台开发了一款智能抄表应用软件。该应用基于Apple Core ML,对本文提出的ROYOLO水表检测模型进行了移动端实现及应用部署,可以完成移动端水表读数检测,并可将检测图像传输到服务器端调用引擎完成云端水表识别及数据交互。